【技术实现步骤摘要】
分类网络构建方法以及基于分类网络的分类方法
本申请涉及计算机
，特别是涉及一种分类网络构建方法以及基于分类网络的分类方法。
技术介绍
随着计算机技术的发展，出现了深度神经网络，深度神经网络是机器学习领域的一种重要技术。传统技术中，常通过深度神经网络来解决各类处理任务，如分类任务等，它在各类处理任务上的表现远超传统机器学习方法，为了获得精度更高的处理结果，常需要构建模型层数多、复杂程度高的深度神经网络。然而，随着模型层数的增多和复杂度增高，深度神经网络的运行速度会减慢，存在数据处理效率低的问题。
技术实现思路
基于此，有必要针对上述技术问题，提供一种能够提高深度神经网络的数据处理效率的分类网络构建方法以及基于分类网络的分类方法、装置、计算机设备和存储介质。一种分类网络构建方法，所述方法包括：获取携带分类标签的训练样本以及初始全连接网络，初始全连接网络包括速度导向的初始隐藏层；将训练样本输入初始全连接网络，通过训练样本对初始隐藏层进行迭代训练，得到与初始隐藏层对应
【技术保护点】
1.一种分类网络构建方法，所述方法包括：/n获取携带分类标签的训练样本以及初始全连接网络，所述初始全连接网络包括速度导向的初始隐藏层；/n将所述训练样本输入所述初始全连接网络，通过所述训练样本对所述初始隐藏层进行迭代训练，得到与所述初始隐藏层对应的初始模型梯度；/n当所述初始模型梯度大于预设梯度阈值时，在所述初始全连接网络中接入速度导向的预设隐藏层，以所述初始模型梯度为标签，通过所述训练数据对所述预设隐藏层进行迭代训练，得到与所述预设隐藏层对应的目标模型梯度；/n当所述目标模型梯度大于所述预设梯度阈值时，将所述目标模型梯度作为新的初始模型梯度；/n返回所述在所述初始全连接网...
【技术特征摘要】
1.一种分类网络构建方法，所述方法包括：
获取携带分类标签的训练样本以及初始全连接网络，所述初始全连接网络包括速度导向的初始隐藏层；
将所述训练样本输入所述初始全连接网络，通过所述训练样本对所述初始隐藏层进行迭代训练，得到与所述初始隐藏层对应的初始模型梯度；
当所述初始模型梯度大于预设梯度阈值时，在所述初始全连接网络中接入速度导向的预设隐藏层，以所述初始模型梯度为标签，通过所述训练数据对所述预设隐藏层进行迭代训练，得到与所述预设隐藏层对应的目标模型梯度；
当所述目标模型梯度大于所述预设梯度阈值时，将所述目标模型梯度作为新的初始模型梯度；
返回所述在所述初始全连接网络中接入速度导向的预设隐藏层的步骤，直到所述目标模型梯度小于或者等于所述预设梯度阈值，得到已训练的分类网络。
2.根据权利要求1所述的方法，其特征在于，所述获取携带分类标签的训练样本以及初始全连接网络包括：
获取携带分类标签的训练样本；
根据所述训练样本的待训练特征数确定初始全连接网络的输入节点，并根据所述分类标签确定初始全连接网络的输出节点；
根据所述输入节点、所述输出节点以及预设速度导向的初始隐藏层，得到初始全连接网络。
3.根据权利要求1所述的方法，其特征在于，所述将所述训练样本输入所述初始全连接网络，通过所述训练样本对所述初始隐藏层进行迭代训练，得到与所述初始隐藏层对应的初始模型梯度包括：
将所述训练样本输入所述初始全连接网络，通过所述训练样本对所述初始隐藏层进行预设迭代次数的迭代训练，得到与所述训练样本对应的初始隐藏层输出结果；
比对所述初始隐藏层输出结果和所述训练样本携带的分类标签，得到与所述初始隐藏层对应的初始模型梯度。
4.根据权利要求3所述的方法，其特征在于，所述将所述训练样本输入所述初始全连接网络，通过所述训练样本对所述初始隐藏层进行预设迭代次数的迭代训练，得到与所述训练样本对应的初始隐藏层输出结果包括：
将所述训练样本输入所述初始全连接网络，通过所述训练样本对所述初始隐藏层进行训练，得到与所述训练样本对应的训练结果；
比对所述训练结果和所述训练样本携带的分类标签，得到与所述训练结果对应的训练梯度；
根据所述训练梯度反向传播更新所述初始隐藏层的隐藏层参数，并更新当前训练次数；
返回所述通过所述训练样本对所述初始隐藏层进行训练的步骤，直到所述当前训练次数达到预设迭代次数，得到与所述训练样本对应的初始隐藏层输出结果。
5.根据权利要求1...
【专利技术属性】
技术研发人员：王昊，钱海涛，罗水权，刘剑，李燕婷，
申请(专利权)人：平安科技深圳有限公司，
类型：发明
国别省市：广东;44
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。